双教师特征蒸:对于失眠PSG分期的转移学习方法

科学领域:

• 睡眠医学 睡眠医学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 失眠是一种普遍的睡眠障碍,具有显著的长期健康后果.
• 准确的睡眠分期对于诊断失眠至关重要,但自动化方法尚未发展.
• 目前的转移学习方法由于健康和失眠人口之间的特征分布差异而陷入困境.

研究的目的:

• 提出一种新的双教师跨领域知识转移方法,以改善失眠患者的自动睡眠分期.
• 通过有效地整合来自不同学科组的特征来解决现有的转移学习方法的局限性.
• 为了提高失眠障碍的自动睡眠分期的诊断准确度.

主要方法:

• 开发了一个双教师跨领域知识转移框架,利用基于特征的知识蒸.
• 实施了一个失眠教师用于域特定特征学习和一个健康领域教师用于域通用特征学习.
• 采用了特征蒸 (OFD) 方法的整体检修来构建健康领域的教师.

主要成果:

• 拟议的方法在CAP数据库中实现了平均80.56%的睡眠阶段精度.
• 使用睡眠-EDF (源) 和CAP-数据库 (目标) 的实验验证表明,与先进技术相比,性能优越.
• 该方法在私人数据集上显示出有希望的结果,表明可通用性.

结论:

• 双教师跨领域知识转移方法显著改善了失眠的自动睡眠分期.
• 有效地整合健康和失眠受试者的特征对于强大的睡眠阶段模型至关重要.
• 这种方法为开发更准确,更可靠的失眠诊断工具提供了有希望的方向.